第2章：参数调优的意义——为什么需要调参？

说实话，我刚接触进化算法那会儿，也觉得参数调优挺玄乎的。

不就是设几个数嘛，跑就完了。结果呢？第一次跑遗传算法，种群大小随便填了个50，交叉概率抄了个0.8，变异概率用了0.01。跑出来的结果，嗯……跟随机搜索差不多。

后来我才明白，参数调优不是锦上添花，而是决定算法能不能用的关键一步。

2.1 参数对算法性能的影响

进化算法的参数，说白了就是控制算法行为的几个旋钮。你拧得对不对，直接决定了算法是「高效收敛」还是「原地踏步」。

我习惯把参数分成三类：

• 种群规模（Population Size）：人多了，多样性好，但算得慢；人少了，算得快，但容易早熟。
• 交叉概率（Crossover Rate）：决定了子代从父代继承多少基因。太高了，好解容易被破坏；太低了，搜索效率低。
• 变异概率（Mutation Rate）：负责引入新基因。太小了，跳不出局部最优；太大了，算法退化成随机搜索。

举个例子，我做过一个函数优化问题，目标函数是Rastrigin函数，多峰、难收敛。一开始我用了默认参数：种群100，交叉0.8，变异0.01。跑了50代，结果卡在局部最优里出不来。

后来我把变异概率调到0.05，种群扩大到200。你猜怎么着？30代就找到了全局最优。参数一变，效果天差地别。

2.2 过拟合与欠拟合在进化算法中的体现

说到过拟合和欠拟合，大家可能第一反应是机器学习。其实进化算法里也有类似的问题，只是表现形式不同。

欠拟合（Underfitting）：算法还没充分搜索，就早早收敛了。说白了，就是「还没学会就毕业了」。

• 表现：种群多样性快速下降，所有个体挤在一个小区域里。
• 原因：变异概率太低，或者选择压力太大。
• 后果：找到的解质量差，甚至不如随机搜索。

过拟合（Overfitting）：算法过度适应了当前种群，失去了探索新区域的能力。说白了，就是「死记硬背，不会举一反三」。

• 表现：种群多样性很高，但适应度提升缓慢，甚至停滞。
• 原因：变异概率太高，或者交叉概率太大，好解总被破坏。
• 后果：收敛速度极慢，计算资源浪费严重。

我记得有一次做路径规划，用了进化算法。一开始参数设得太激进，变异概率0.1，结果跑了200代，适应度曲线跟心电图似的，上上下下就是不收敛。这就是典型的过拟合——算法一直在「瞎折腾」，没有积累有效信息。

后来我把变异概率降到0.02，交叉概率调到0.7，曲线才稳定下来，慢慢收敛到最优路径。

2.3 参数调优的实战意义

你可能会问：参数调优到底值不值得花时间？

我的回答是：值得，而且非常值得。

我做过一个对比实验：同一个问题，用默认参数跑10次，平均适应度是85分；用调优后的参数跑10次，平均适应度是97分。而且调优后的算法收敛速度更快，平均少用了30%的迭代次数。

说白了，参数调优就是用最小的成本，换取最大的性能提升。你花1小时调参，可能省下10小时的运行时间。

2.4 本章知识体系

下面这张图，是我自己总结的参数调优知识框架。你可以把它当作一个「调参地图」来用。

2.5 调参的常见误区

最后，我总结几个调参时容易踩的坑：

1. 盲目照搬别人的参数：不同问题、不同数据，最优参数天差地别。别人的参数只能当参考，不能直接套用。
2. 一次只调一个参数：参数之间是相互影响的。比如种群规模变了，交叉概率和变异概率的最优值也会变。我习惯用网格搜索或随机搜索来联合调参。
3. 只看最终结果，不看过程：调参时一定要看收敛曲线。如果曲线震荡剧烈，说明参数太激进；如果曲线太平，说明参数太保守。
4. 过度调参：调参也有边际效益递减。花3小时把分数从95调到96，不如花这3小时去优化算法结构。

好了，这一章就聊到这儿。下一章我们开始动手，看看怎么用具体的工具和方法来调参。

---